بخشی از مقاله
چکیده
هدف این پژوهش ارائه و ارزیابی یک سیستم خبره مبتنی بر شبکه عصبی مصنوعی برای طبقهبندی مشکلات خود مراقبتی کودکان ناتوان جسمی - حرکتی است. وجود یک سیستم خبره با این قابلیت باعث کمک به نهادهای مرتبط با آموزشوپرورش استثنایی میشود . این مقاله مدلی بهمنظور طبقهبندی مشکلات خودمراقبتی کودکان ناتوان جسمی - حرکتی بر پایه چارچوب ICF-CY پیشنهاد میدهد.
با توجه به وجود محدودیت در دسترسی به مجموعه داده استاندارد در رابطه با کودکان ناتوان جسمی - حرکتی، در این تحقیق ابتدا یک مجموعه داده از این کودکان طبق ICF-CY تدوین شده است. سپس با استفاده از شبکههای عصبی مصنوعی و الگوریتم تکاملی ژنتیک، یک سیستم خبره طراحی و با مجموعه داده تدوینشده آموزش داده شد. در پایان سیستم ارائهشده مورد ارزیابی قرار گرفته است.
درنهایت ما به این نتیجه رسیدیم که با استفاده از شبکههای عصبی و الگوریتم ژنتیک میتوان سیستمی ارائه کرد تا علاوه بر کاهش ابعاد ویژگیها و تعیین ویژگیهای مؤثر در طبقهبندی مشکلات خودمراقبتی کودکان، توانایی طبقهبندی این مشکلات را با دقت بیش از 93 درصد داشته باشد.
مقدمه
طبق تعریف سازمان بهداشت جهانی، معلولیت بهعنوان یک اصطلاح چتری برای آسیبها، محدودیتهای کارکردی و محدودیتهای مشارکتی مطرح شده است. طبق این تعریف معلولیت نتیجه یک اختلال یا ناتوانی است که از انجام یک یا چند نقش طبیعی که مبتنی بر سن، جنسیت و سایر عوامل اجتماعی و فرهنگی است کاسته یا جلوگیری میکند.
بررسی افراد 15 سال به بالا مربوط به 70 کشور جهان در سال 2010، نشاندهنده شیوع 15/6 تا 19/4 درصدی معلولیت در جهان است. شیوع معلولیت در ایران، حدود 3 میلیون نفر برآورد شده است.[2] طبق تعریف برون و ترنر معلولیتهای جسمی - حرکتی، به آسیبهایی گفته میشود که یک یا بیش از یکی از فعالیتهای فرد را محدود میکند. بهعبارتدیگر معلولیت جسمی به حالتی اطلاق میشود که توانایی فرد را جهت استفاده از بدن خود محدود میسازد.
با توجه به اینکه معلولیت و پیامدهای جسمی، روانی و اجتماعی آن بر روی رشد و توسعه یک کشور تأثیر منفی میگذارد، شناخت و طبقهبندی صحیح مشکلاتی که افراد معلول با آن روبرو هستند امری ضروری است. در این راستا کمبود نیروی انسانی متخصص باعث افزایش فشار کاری و عدمتشخیص بهموقع این مشکلات میشود. تاکنون استانداردهای زیادی برای طبقهبندی سطح انواع معلولیتها ارائه شدهاند که یکی از آنها استاندارد ICF-CY است
ICF-CY یک استاندارد طبقهبندی چندمنظوره برای استفاده در زمینههای گوناگون است. یکی از موضوعات مطرحشده در این استاندارد موضوع خودمراقبتی است. طبق این استاندارد، خودمراقبتی بهصورت فعالیتهایی نظیر شستشوی لباس، خشککردن خود، لباس پوشیدن، خوردن و نوشیدن و مراقبت از سلامتی فرد تعریف شده است و برای آن سطوح مختلفی در نظر گرفته شده است.
بدیهی است به علت تنوع سطوح مشکلات خودمراقبتی افراد معلول و همچنین کمبود نیروی متخصص در این زمینه، وجود یک سیستم خبره که بتواند در طبقهبندی مشکلات خودمراقبتی معلولین جسمی - حرکتی به کمک افراد خبره بیاید ضروری به نظر میرسد.
این مقاله مدلی را بهمنظور طبقهبندی مشکلات خودمراقبتی کودکان ناتوان جسمی - حرکتی ارائه میدهد. در قسمت دوم تفاوتهای متدها و مدلهای کامپیوتری استفادهشده جهت تشخیص و طبقهبندی انواع اختلالهای کودکان استثنایی موردبررسی قرار میگیرد. با بررسی دقیق تجربیات قبلی، یک روش مفید جهت فرایند طبقهبندی، تعیین میگردد. در قسمت سوم مشخصههای سیستم تعریف میشود. قسمت چهارم به معرفی سیستم پیشنهادی و بررسی نتایج آزمایشها میپردازد. درنهایت و در قسمت پنجم نتیجهگیری و کارهای آینده ارائه خواهد شد.
-2 بررسی کارهای گذشته
-1-2 تقسیمبندی تحقیقات انجامشده
مدلها و متدهای تشخیص اختلالهای کودکان استثنایی را میتوان به چهار دسته کلی تقسیم کرد. این تقسیمبندی بر اساس مباحث تئوری و ویژگیهای کامپیوتری متدها و مدلها انجامشده است. مجموعه زیر بر اساس این مدلها و متدها تدوینشده است.
• متدولوژیهای پردازش سیگنال دیجیتال
• متدولوژیهای پردازش تصویر دیجیتال - DIP -
• متدولوژیهای کامپیوتری نرمافزاری - مانند شبکههای عصبی مصنوعی و سیستمهای فازی -
• تکنیکهای محاسباتی ترکیبی - تکنیکهای پردازش تصویر و سیگنال به همراه تکنیکهای نرمافزاری -
-2-2 مروری بر کارهای گذشته
بیشترین فعالیت درزمینه هوشمند سازی فرایند تشخیص و طبقهبندی اختلالهای کودکان استثنایی درزمینه اختلال یادگیری انجام شده است. بااینوجود در ادامه بررسی کاملی در مورد مدلهای ارائهشده برای سایر اختلالها نیز بیان خواهد شد.
-1-2-2 تشخیص و طبقهبندی اختلالهای یادگیری
Mico-Tormos و همکاران - 2002 - به این نتیجه رسیدند که تحلیل پاسخ حرکتهای چشم یک کودک از طریق بررسی سیگنالهای چشمی میتواند منجر به تشخیص اختلال یادگیری شود. از تحلیلهای کامپیوتری این نکته به دست آمد که ارتباط بسیار زیادی بین فعالیتهای عصبی و پاسخهای چشم وجود دارد، همچنین در تعداد زیادی از مطالعات، وابستگی خطی حرکت چشم بر سرعت محرک بیان و تأیید شده است
Novak و همکاران - 2004 - مجموعهای از خصوصیات سیگنالهای حرکت عمودی و افقی چشم را با استفاده از نگاشت خودسازماندهی کننده و الگوریتم ژنتیک محاسبه کردند. آنها به این نتیجه رسیدند که سرعت خواندن، با احتمال سالم بودن بیمار افزایش مییابد
Fonseca و همکاران - - 2006 با مطالعه امواج مغزی گوناگون به یک مغز نگاره - EEG - جهت تعیین اختلالات فعالیتهای الکتریکی مغزی دست یافتند. آنها به این نتیجه رسیدند که تفاوت زیادی در امواج مغزی یک کودک عادی با یک کودک دارای اختلال یادگیری وجود دارد
Assecondi و همکاران - 2006 - به بررسی مقادیر توان وابسته و مطلق مغز نگاره در هنگام بیداری و خواب پرداختند. کودکان دارای اختلال شدید نوشتن یا خواندن در مناطق فرونتال زمانی مغز نگاره، دارای فعالیتهای زیاد دلتا و کودکان دارای اختلالات با شدت کمتر دارای فعالیتهای تتای بیشتر و فعالیتهای آلفای وابسته کمتر بودند. مطالعه در مورد رابطه بین متغیرهای کمی مغز نگاره - EEG - و IQ دانش بیشتری در مورد جنبههای زیستی اختلالات یادگیری را ارائه کرد
Wu و همکاران - 2006 - با بهکارگیری ANN و SVM برای اولین بار مدلی مبتنی بر تکنیکهای نرمافزاری برای تشخیص اختلال یادگیری ارائه کردند. آنها در تحقیق خود با مقایسه عملکرد ANN و SVM به این نتیجه رسیدند که در صورت انتخاب ویژگیهای مناسب در طبقهبندی اختلالهای یادگیری، ANN عملکرد بهتری نسبت به SVM دارد
Wu و همکاران - 2008 - با توجه به نتیجه بهدستآمده از تحقیق قبلی و با استفاده از الگوریتم ژنتیک برای انتخاب ویژگی، مدل ارائهشده خود را بهبود بخشیدند . آنها در مدل پیشنهادی از ANN بهعنوان طبقهبندی کننده و از الگوریتم ژنتیک بهعنوان الگوریتم انتخاب ویژگی استفاده کردند
Nanni و - 2009 - Lumini با استفاده از مجموعهای از طبقهبندی کنندهها و مقایسه عملکرد آنها، مدلی برای طبقهبندی اختلال یادگیری ارائه کردند. آنها در تحقیق خود انواع مختلفی از طبقهبندی کنندهها را مورد آزمایش قرار دادند. بهترین نتایج در این تحقیق با استفاده از LDC که یک طبقهبندی کننده از نوع تفکیککننده خطی است و متد IDE با الگوریتم انتقال ICA برای انتخاب ویژگی مناسب به دست آمد
Muangnak. و همکاران - 2010 - به مقایسه روش درخت تصمیم با Naïve Bayes که یک روش طبقهبندی بر پایه احتمال است در طبقهبندی اختلال یادگیری پرداختند. آنها بیان کردند که نتایج بهدستآمده از روش درخت تصمیم بهتر از نتایج روش Naïve Bayes است
Julie . و - 2010 - Kannan از درخت تصمیم برای استخراج قوانین طبقهبندی و پیشبینی اختلال یادگیری استفاده کردند. آنها با استفاده از درخت تصمیم موفق شدند تعداد 7 قانون برای طبقهبندی اختلالهای یادگیری استخراج نمایند
Wu و همکاران - 2010 - با بهکارگیری روشهای موازیسازی مدلی برای سریعتر شدن، فرایند طبقهبندی ارائه کردند. آنها توانستند با بهکارگیری روشهای موازیسازی ضمن کاهش زمان تشخیص، دقت تشخیص را نیز افزایش دهند.[14] Manghirmalani و همکاران - 2011 - موفق به ارائه یک روش نرمافزاری با استفاده از تکنیک LVQ جهت تشخیص اختلال یادگیری شدند. آنها در مدل پیشنهادی خود توانستند علاوه بر تشخیص اختلال یادگیری انواع آن را نیز تعیین کنند
Wu و همکاران - 2011 - با بهکارگیری الگوریتم جستجوی الگوهای موازی ناهمگون توانستند طبقهبندیکننده ANN را بهبود ببخشندManghirmalani .[16] و همکاران - 2012 - با استفاده از یک سیستم فازی موفق به طبقهبندی انواع اختلال یادگیری شدند.
Jainو همکاران - 2014 - با بهکارگیری ANN وLVQ مدلی جهت تشخیص اختلال یادگیری ارائه کردند. محققین در این پژوهش موفق شدند مدلی ارائه دهند تا علاوه بر تشخیص اختلال یادگیری، نوع آن را نیز مشخص نماید. آنها با استفاده از یک سیستم فازی موفق به استخراج 7 قانون برای طبقهبندی انواع اختلال یادگیری شدند.
-2-2-2 تشخیص و طبقهبندی اختلال بیش فعالی
Tenev و همکاران - 2014 - با استفاده از SVM و EEG که یک روش برای ثبت مغز نگارهها است مدلی جهت طبقهبندی بیش فعالی ارائه کردند. در این روش محققین از طیف توان EEG که از سیگنالهای EEG ثبتشده نمونهها، بهدستآمده استفاده کردند.
در این مدل دادهها در 4 وضعیت مختلف جمعآوری میشوند: چشمباز، چشمبسته، آزمون عملکرد مداوم تصویری و آزمون عملکرد مداوم عاطفی. مجموعه داده نهایی به 4 بخش مجزا تقسیم شده و هر یک از این مجموعه دادهها به یک SVM داده میشود. درنهایت نتایج بهدستآمده از SVM ها به یک رأی گیرنده اکثریت داده میشود و نتیجه نهایی مطابق با خروجی رأی گیرنده اکثریت تعیین میگردد. با این روش آنها با بررسی مغز نگارهها توانستند وجود اختلال بیش فعالی را تشخیص دهند
-3-2-2 تشخیص و طبقهبندی مشکلات کاردرمانی
Yeh و همکاران - 2012 - با استفاده از ANN یک مدل برای طبقهبندی برخی از مشکلات کاردرمانی ارائه کردند. در این تحقیق از شبکه پرسپترون چندلایه با انتشار روبه عقب بهعنوان طبقهبندی کننده استفاده شد. آنها همچنین با بهکارگیری الگوریتم CART که یکی از پرکاربردترین الگوریتمها در درخت تصمیم است، موفق به استخراج قوانین طبقهبندی مدل خود شدند. محققین در این تحقیق با این روش دریافتند، بااینکه در تشخیص مشکلات کاردرمانی، 127 ویژگی موردبررسی قرار میگیرد ولی درواقع 9 ویژگی وجود دارند که نقش کلیدی و مهم در تشخیص این مشکلات را دارند.
-3 مجموعه پارامترها
همانطور که در مقدمه بیان شد چارچوب ICF-CY یک استاندارد طبقهبندی چندمنظوره برای استفاده در زمینههای گوناگون است. یکی از موضوعات مطرحشده در این استاندارد موضوع خودمراقبتی است. طبق این استاندارد، خودمراقبتی بهصورت فعالیتهایی نظیر شستشوی لباس، خشککردن خود، لباس پوشیدن، خوردن و نوشیدن و مراقبت از سلامتی فرد تعریف شده است و برای آن سطوح مختلفی در نظر گرفته شده است.
یکی از بزرگترین چالشهای این تحقیق عدم دسترسی به مجموعه دادههای استاندارد متناسب با کشور ایران بود. به همین منظور ما یک مجموعه داده طبق فصل خودمراقبتی استاندارد ICF-CY برای کودکان ناتوان جسمی - حرکتی ایجاد کردیم. در همین راستا اطلاعات مربوط به 70 کودک ناتوان جسمی- حرکتی با توجه به معیارهای خود مراقبتی استاندارد ICF-CY و با روش نمونهگیری آسان جمعآوری شد.
جدول - 1 ویژگیهای خودمراقبتی ICF-CY به کار گرفتهشده در این
برای این منظور ابتدا فرمهایی جهت جمعآوری ویژگیهای خودمراقبتی کودکان ناتوان جسمی- حرکتی مطابق با چارچوب ICF-CY تهیه شد. سپس این فرمها به کارشناس کاردرمانی یک آموزشگاه تخصصی کودکان ناتوان جسمی- حرکتی است، داده شد. پس از تکمیل این فرمها کودکان موردمطالعه در این تحقیق توسط یک کارشناس دیگر کاردرمانی مورد معاینه قرار گرفتند و مطابق با جدول 2 گروهبندی شدند. در پایان با استفاده از فرمهای شاخصهای خودمراقبتی ICF-CY و همچنین فرمهای گروه-بندی حاصل از معاینات تخصصی تهیه شد.
این گروهبندی توسط کارشناسان کاردرمانی و بهمنظور تعیین نوع درمان تعریف میگردد. در این مجموعه داده حالتهای هر سطح از خصوصیات بهعنوان یک ویژگی مجزا در نظر گرفته شد و معیار سن و جنسیت به آن اضافه گردید؛ بنابراین درنهایت این مجموعه داده یک جدول شامل اطلاعات 70 نمونه با مجموع 157 ویژگی است که به ازای هر فرد یک سطر با 157 ستون در نظر گرفته میشود و ستون آخر معرف گروهی است که آن فرد در آن قرار میگیرد.
